做通信系统的人大概率都被“最佳接收”这章折磨过。确知信号、随相信号、起伏信号的最佳接收看起来是三种不同的接收机设计但本质上都是同一个统计判决问题在不同信道条件下的具体表现。很多教材把这三种情况分开讲导致读者学完以后只记住了“确知用相关器、随机相位用包络检波、起伏用平方律检测”却没有真正理解背后的统一逻辑。这篇文章我想从一个做过基带算法验证的工程师视角把这三类信号的最佳接收放到一条线上讲。我会先讲清楚最佳接收到底在解决什么问题再分别拆解确知、随相、起伏三种情形下的模型变化、判决统计量推导、接收机构型和误码率结果最后给出工程实现时的落地点和仿真避坑清单。不管你是考研复习还是刚接触物理层算法这套思路都能帮你把散落的知识点串起来。1. 三类信号的最佳接收先搞清楚要解决什么问题1.1 最佳接收的建模前提噪声与判决代价最佳接收面对的场景其实非常简单发送端从有限的候选信号里选一个发出去接收端拿到的是一段被噪声污染的波形要在接收波形的基础上猜发送端到底发了哪一个。这里的“最佳”并不神秘就是在给定观测波形时让整体判决错误概率最小的接收策略。数学上如果发送端等概率地发送 (s_1(t)) 和 (s_2(t))接收波形是 (r(t))那么一个最佳判决器应该比较两个条件概率密度 (p(r|s_1)) 和 (p(r|s_2))谁大就判谁。这就是最大后验概率准则。先验等概率时它退化成最大似然准则(p(r|s_1) p(r|s_2)) 则判 (s_1)否则判 (s_2)。真正让问题变得可计算的关键是噪声模型。通信原理里最常用的假设是加性高斯白噪声AWGN噪声双边功率谱密度是 (N_0/2)。高斯白噪声的好处在于它对观测波形的各个时刻样本都施加独立的高斯扰动所以联合概率密度可以直接写成每个采样点上高斯密度的乘积再取连续时间极限就变成指数积分形式。后面所有接收机结构的推导都是围绕这个概率密度展开的。1.2 确知、随相、起伏到底差在哪里教科书把信号分成三类不是闲得没事而是因为实际信道对信号造成的“不确定性”不同。确知信号接收端对发送波形的相位、幅度、频率、到达时刻全部已知唯一的不确定性只剩加性噪声。随相信号信号幅度和波形已知但相位是随机的。比如收发两端独立振荡器不锁相或者信道在传输过程中给信号来了一个缓慢的随机相位旋转。起伏信号相位随机之外幅度也随机通常服从瑞利衰落。无线移动信道里没有视距路径时接收信号的包络就典型地呈现这种起伏。三种情况下你要“平均”掉的不确定因素数目不一样。确知信号只需要对噪声求平均随相信号要在噪声基础上再对相位求平均起伏信号则要对相位和幅度都求平均。平均掉的维数越多接收机拿到的判决统计量就越“粗糙”误码性能也就越差。理解这一点就理解了为什么三类接收机的结构和性能会递进变化。2. 确知信号的最佳接收相关器与匹配滤波器怎么来的2.1 从似然比到相关积分确知信号的接收模型可以写成 (r(t) s_i(t) n(t))其中 (i1,2)(s_i(t)) 完全已知(n(t)) 是高斯白噪声。拿最大似然准则处理比较 (p(r|s_1)) 和 (p(r|s_2))。在AWGN下对某个 (s_i(t)) 的条件概率密度的指数部分是[ -\frac{1}{N_0}\int_{-\infty}^{\infty} [r(t) - s_i(t)]^2 dt ]展开平方项后会得到[ \int r^2(t)dt - 2\int r(t)s_i(t)dt \int s_i^2(t)dt ]第一项 (\int r^2(t)dt) 是接收信号的能量它对所有候选信号都一样比较时可以约掉。所以判决的核心只剩两项交叉相关项 (2\int r(t)s_i(t)dt) 和信号自身能量项 (\int s_i^2(t)dt)。如果两个候选信号能量相等判决规则就简化为比较两个相关积分的大小[ \int r(t)s_1(t)dt \quad \text{vs} \quad \int r(t)s_2(t)dt ]这就是相关接收机的雏形。接收端用两个本地信号模板分别与接收波形做相关哪边输出大就判哪边。如果信号能量不等则要按能量差异补偿出一个门限偏移实际就是不等于比较最大相关值而是比较“相关值减半倍信号能量”。2.2 匹配滤波器为什么是等价实现很多人初学时困惑教材一会儿讲相关器一会儿讲匹配滤波器这两者到底是什么关系匹配滤波器的思路是从最大输出信噪比出发推导的。给定时域冲激响应为 (h(t)) 的线性滤波器输入 (r(t) s_i(t) n(t))输出在抽样时刻 (T) 的瞬时信号功率与噪声平均功率之比可以写成[ \text{SNR}_o \frac{\left|\int r(T-\tau) h(\tau)d\tau\right|^2}{E\left[\left|\int n(T-\tau) h(\tau)d\tau\right|^2\right]} ]利用施瓦茨不等式可以证明当滤波器冲激响应满足[ h(t) s_i(T - t) ]时输出信噪比最大化。换句话说匹配滤波器的冲激响应就是发送信号在时域上翻转后的镜像。考虑到相关运算本质上也是把接收波形和模板信号相乘后积分而滤波卷积是对 (h(t)) 做翻转后乘加两者在采样时刻 (tT) 给出的数值完全一致。所以匹配滤波器和相关接收机是同一个东西的两种表达方式相关器从信号检测视角出发匹配滤波器从滤波信噪比视角出发。工程上如果信号模板短且码元同步已知可以用相关器如果信号是长序列、需要流水线处理通常用匹配滤波器在时域或频域实现。2.3 确知信号的误码性能确知信号误码率可以统一用最小距离写出来。两个候选信号之间定义距离平方[ d^2 \int [s_1(t) - s_2(t)]^2 dt ]在AWGN下二元等概率判决的误码率是[ P_e Q\left(\sqrt{\frac{d^2}{2N_0}}\right) ]几个常见例子双极性信号例如BPSK(s_1-s_2)此时 (d^2 4E_b)误码率 (P_e Q(\sqrt{2E_b/N_0}))。正交信号例如二进制正交FSK(d^2 2E_b)误码率 (P_e Q(\sqrt{E_b/N_0}))。开关键控OOK因为有一个信号是0平均比特能量只有脉冲信号能量的一半所以误码率会比双极性差3dB。工程上最常用的参考曲线是BPSK那条 (Q(\sqrt{2E_b/N_0}))。很多系统设计目标比如“(E_b/N_0 9.6\text{dB}) 时误码率 (10^{-5})”都是在这个基础上推出来的。3. 随相信号的最佳接收相位平均与非相干结构3.1 相位随机带来的本质困难确知信号模型要求接收端对相位绝对已知。但实际系统里这个条件经常不成立。收发振荡器各自独立或者信号经过了一条相位随时间缓慢变化的信道接收到的信号会变成[ r(t) s_i(t, \varphi) n(t) ]其中 (\varphi) 是未知的随机相位通常假设它在 ([0, 2\pi)) 内均匀分布。此时你没法直接用 (s_i(t)) 做相关检测因为本地模板和接收信号之间差着一个未知的相位旋转相关积分可能因为相位差而趋近于零甚至变成负的。在这个问题面前严格的解决办法不是去估计相位而是在似然函数里把随机相位“平均”掉。因为 (\varphi) 在先验上是均匀分布的条件概率密度应该写成一个积分[ p(r|s_i) \frac{1}{2\pi}\int_0^{2\pi} \exp\left[-\frac{1}{N_0}\int (r(t) - s_i(t,\varphi))^2 dt\right] d\varphi ]展开后与相位有关的部分会出现一个形如 (\exp\left(\frac{2}{N_0}A_i \cos(\varphi \theta_i)\right)) 的积分项。这个积分的结果用到了贝塞尔函数积分公式[ \frac{1}{2\pi}\int_0^{2\pi} e^{x\cos(\theta)}d\theta I_0(x) ]其中 (I_0(x)) 是零阶第一类修正贝塞尔函数。3.2 为什么最后化简成包络比较积分做完以后(p(r|s_i)) 与下面这个量有关[ I_0\left(\frac{2}{N_0} \left|\int r(t) s_i^*(t) dt\right|\right) ]关键来了(I_0(x)) 在 (x \ge 0) 上单调递增所以对它取不比多少直接比较里面的自变量就行。也就是说随相信号的最佳判决统计量不是相关积分的实部而是相关积分取模后的包络[ R_i \left|\int r(t) s_i^*(t) dt\right| ]这背后有非常直观的解释相位随机意味着相关结果的实部不再可靠但相关结果在复数平面上的“长度”不受相位旋转影响。你保留的是能量的幅值信息丢掉了相位信息。实际实现时这个包络要怎么做最典型的做法是正交下变频把接收信号变成基带的I、Q两路分别与本地模板做相关得到 (X_i) 和 (Y_i)然后判决量用 (\sqrt{X_i^2 Y_i^2})。如果不想做开方直接用 (X_i^2 Y_i^2) 也没有任何问题因为开方是单调变换不影响判决结果。这种接收机就是常说的非相干接收机或者叫包络检波接收机。它比相干接收机多了一路正交支路和平方求和电路或算法复杂度略有增加但换来了对随机相位的鲁棒性。3.3 随相信号的误码率与相干损失随相信号最经典的误码率结果是二进制正交FSK的非相干检测[ P_e \frac{1}{2} \exp\left(-\frac{E_b}{2N_0}\right) ]与相干FSK的结果 (Q(\sqrt{E_b/N_0})) 相比非相干检测在高信噪比区域大约会损失1dB到3dB的性能具体损失多少取决于目标误码率和信号设计。这个损失是“未知相位”这个额外不确定性换来的代价。你在系统设计时如果发现仿真结果和理论曲线差一截先别急着怀疑仿真代码先确认一下自己到底用的是相干结构还是非相干结构。这里还有一个容易混淆的点DPSK差分检测有时候也被归入“非相干”范畴但它没有直接用包络判决而是用相邻符号之间的相位差做判决性能介于相干BPSK和非相干FSK之间。通信原理教材里随相信号那节一般以相位随机、幅度确知为讨论前提重点是“对相位积分”这个思想而不是把所有免同步检测方案都装进去。4. 起伏信号的最佳接收瑞利衰落下的平方律检测4.1 幅度和相位都随机时的模型随相信号还保留了幅度信息但在很多无线信道里幅度本身也会剧烈起伏。比如移动通信中接收端被建筑物遮挡、多径反射相互抵消接收信号包络就会快速波动统计上通常用瑞利分布描述。此时接收信号模型要升级为[ r(t) a e^{j\varphi} s_i(t) n(t) ]其中 (a) 服从瑞利分布(\varphi) 服从均匀分布。这个模型在复基带里可以进一步改写成[ r(t) g s_i(t) n(t) ]其中复增益 (g a e^{j\varphi}) 是一个循环对称复高斯随机变量。这个复高斯表示非常有用它把“幅度瑞利、相位均匀”两个独立条件合并成一个二维高斯分布。现在要做最佳判决就要在似然函数中对 (g) 求平均。平均的过程比较复杂但结果非常干净判决统计量变成相关输出的平方包络也就是[ D_i \left|\int r(t) s_i^*(t) dt\right|^2 ]所以对应的接收机通常叫平方律检波器。它比随相信号的包络检波器更进一步——不取开方直接用平方值比较。从电路或DSP实现角度看这反而省掉了一次开方运算。4.2 平方律检波的实现结构与平均误码率平方律检波器的实现并不复杂。接收信号先经过正交下变频到基带I/Q然后在I、Q两路上分别与候选信号模板做相关得到两个相关值再各自平方求和。这个输出直接进入比较器判决。和随相信号的包络检波相比只是把“求模后比较”变成了“求模平方后比较”因为模平方是单调变换所以判决效果完全相同。起伏信道的误码率需要对瞬时信噪比做统计平均。假设瞬时信噪比为 (\gamma)在非相干FSK下的条件误码率是[ P_e(\gamma) \frac{1}{2}\exp\left(-\frac{\gamma}{2}\right) ]瑞利衰落时瞬时信噪比服从指数分布[ p(\gamma) \frac{1}{\bar{\gamma}}\exp\left(-\frac{\gamma}{\bar{\gamma}}\right) ]两者乘起来积分得到平均误码率[ \bar{P}_e \frac{1}{\bar{\gamma} 2} ]这个结果非常值得仔细看。在AWGN信道里非相干FSK的误码率是 (0.5 e^{-E_b/(2N_0)})信噪比增加时误码率指数下降而在瑞利衰落信道里平均误码率只按 (1/\bar{\gamma}) 的速度下降。也就是说你把平均信噪比提高10dB误码率只能改善一个线性量级而不是指数量级。这就是衰落信道让人头疼的地方。4.3 三类接收机的性能对照把三类接收机放到一张表里看结构递进关系非常清楚。信号类型不确定因素判决统计量典型接收结构典型误码率参考确知信号无相关积分相关器 / 匹配滤波器(Q(\sqrt{2E_b/N_0}))双极性随相信号相位随机相关积分模值正交相关 包络检波(\frac{1}{2}\exp(-E_b/(2N_0)))非相干FSK起伏信号相位、幅度随机相关积分模平方平方律检波(\frac{1}{\bar{\gamma}2})非相干FSK瑞利信道可以看到不确定因素每多一个维度判决统计量从“积分值”退化成“模值”再退化成“模平方”接收机结构从相干走向非相干和能量检测。性能上相干检测有指数级下降的误码率而到起伏信道时只剩下线性下降的能力。5. 从理论到工程接收机设计的落地要点5.1 连续波形到数字基带的映射教材里的相关积分是连续时间域的工程实现时没人真的拿模拟乘法器做积分。现在主流做法是中频信号经过低噪声放大、混频、滤波、模数转换后在数字域完成所有相关或匹配滤波操作。以确知信号的相关接收为例数字实现时把一个符号的模板序列 (s[n]) 存在本地接收采样序列 (r[n]) 和它逐点相乘累加。如果模板很长可以用匹配滤波器在时域卷积或频域用FFT实现。关键在于采样率、定时同步和模板对齐。理论上相关积分从 (-\infty) 到 (\infty)工程上只需要在一个符号持续时间内积分定时误差稍大一点匹配滤波器的输出峰值就会塌陷误码率立刻恶化。随相信号和起伏信号的数字实现基本都是把I/Q两路分别处理。工程里我喜欢直接用复数基带表示把接收采样写成复数序列 (r[n] I[n] jQ[n])本地模板也写成复数序列 (s_i[n])然后一次复数相关就得到 (R_i)。再取模或者模平方完成判决。这种写法比分开写I路Q路要清晰得多调试时也方便用星座图直接观察。5.2 仿真验证时最容易踩的几个坑我在做误码率仿真时发现很多人把理论曲线和仿真对不上原因经常不在“最佳接收”本身而在信噪比口径。第一个坑是 (E_b/N_0) 和 (SNR) 的换算。AWGN仿真里如果直接生成复基带噪声噪声方差通常取 (N_0)双边功率谱密度在复基带下每个维度是 (N_0/2)总噪声功率是 (N_0)这样符号能量除以 (N_0) 才是真正的符号信噪比。如果你习惯用“信号功率/噪声功率”要再除以“每个符号有多少个采样点”以及每个符号携带多少个比特换算错一个因子误码率曲线就会平移几dB。第二个坑是随相信号仿真时没有真正随机化相位。我见过有人直接把发送相位设为 (0)然后假装它是“随机相位”结果仿真得到的误码率接近相干检测的理论值因为接收端模板和信号之间实际上是对齐的。正确做法是每个符号独立地从 ([0, 2\pi)) 均匀采样一个随机相位。第三个坑是起伏信号仿真时忘记对幅度做归一化。瑞利衰落如果建模成 (g a e^{j\varphi})(a) 的均方值要取成1否则平均信噪比会整体偏大或偏小。最简单的办法是把复高斯增益的方差设为1这样 (E[|g|^2]1)平均符号信噪比就可以直接沿用AWGN的设定。第四个坑是误码率统计样本数不够。误码率到 (10^{-5}) 量级时至少需要统计到几百上千个错误比特仿真点数不够得到的曲线会抖动很大。我自己的习惯是让错误比特数不少于100个并且在多个随机种子下重复防止某一次偶然的小样本结果误导结论。5.3 实际接收系统中的“伪最佳”折中教材推导的最佳接收有一个隐含假设噪声是平稳高斯白噪声信道参数统计特性已知信号波形模板精确已知。实际系统里这些条件往往只能近似满足。比如实际接收机在非相干解调前要经过自动增益控制AGC的变化会让信号幅度波动而理论推导假设幅度统计特性已知且平均信噪比固定。又比如本地振荡器存在相位噪声这会让随相信号的相位分布不再是理想均匀分布而是某种带相关性的随机过程。更现实的问题是定时同步、载波同步都不是理想状态同步误差一进来最佳接收的理论增益就会打折。工程上的处理思路是“逼近最佳而不是完全复现最佳”。常见手段包括用足够长的训练序列做信道估计和相位补偿把随相信号尽量变成准确知信号再使用相干接收实在无法相干的场景才退到包络检波。而起伏信道下单支路平方律检波只是基础实际系统更多是加天线分集或者多径分集用最大比合并把多路信号合并后再判决。理解了单支路的最佳接收再去看分集合并就会顺畅很多因为分集合并本质上是在多个平方律检波输出之间做加权求和。6. 常见问题速查与实操心得6.1 高频问题与排查思路高频问题可能原因排查与建议仿真误码率与理论值差固定dB噪声方差或 (E_b/N_0) 换算错误先跑一个无衰落BPSK对照确认口径无误随相信号仿真误码率偏低相位没有真正随机化每个符号独立采样随机相位避免模板对齐非相干接收比理论值差很多定时偏移导致相关峰值下降检查抽样时刻必要时加定时同步平方律检波性能异常衰落增益归一化错误保证 (E[误码率曲线抖动剧烈错误比特统计量不足至少累计100个错误比特多种子平滑贝塞尔函数计算溢出(I_0(x)) 在大参数下上溢工程判决用模平方代替避免直接算贝塞尔函数6.2 一个清晰的仿真骨架对于随相信号非相干FSK核心仿真逻辑用伪代码写出来大概是这样for n in range(num_symbols): # 发送符号对应的信号模板 s_tx signal_template(symbol) # 随机相位 phi random.uniform(0, 2*pi) r s_tx * exp(1j*phi) noise # 两个候选模板的包络 corr0 abs(sum(r * conj(template0))) corr1 abs(sum(r * conj(template1))) # 比较能量包络得到判决结果 decision 0 if corr0 corr1 else 1这个骨架换成起伏信号时只要把s_tx * exp(1j*phi)改成g * s_tx其中g是循环对称复高斯随机变量再把判决量从abs改成abs**2即可。整个三类接收机的仿真切换其实就改了三个地方信道因子、判决统计量、信噪比定义。我个人在实际操作中的体会是最佳接收这部分内容死记接收机框图是最亏的学习方式。你只需要抓住“对不确定参数求平均得到一个单调判决统计量”这一条主线无论信道变成什么样子都能很快推导出对应的接收机结构。前几年做一个某跨平台系统基带移植的时候我现场推了一遍随相信号的最佳判决发现工程里一直用的包络检波其实还可以用I/Q两路平方和实现并且能省掉模拟包络检波器的温漂校准问题这就是理论反哺工程的典型例子。最后再分享一个小技巧你把三类接收机的理论误码率曲线画在同一张图里横轴用 (E_b/N_0)纵轴用对数坐标会看到它们的曲线斜率明显不同。相干BPSK是陡峭下坠非相干FSK稍微缓一点瑞利衰落下的平均误码率则是一条近似直线。这张图能帮你快速判断一个系统到底工作在什么样的接收条件下也是和同事讨论链路预算时最有说服力的参考工具。